Research Area

확률통계모델링 연구실에서 연구하는 연구주제

• 통계이론: 일변량 및 다변량분포이론, 다변수간 상호의존성 모델링

  1. • 확률이론: 다양한 확률모형, 일변량 및 다변량 확률과정 모델링 및 분석
  2. • 산업통계: 신뢰성 고장 및 수명 예측, 시스템 유지/보수 및 워런티 정책, 배터리 열화과정 모델링 및 수명예측 
  3. • 생존분석: 새로운 확률 및 확률과정 모형을 이용한 생존모형개발
  4. • 보험통계: 일변량 및 다변량 수명분포기반 생명보험 모형 연구, 다양한 확률이론을 적용한 손해보험 모형 연구
  5. • 응용확률: 고급 확률모형이 적용될 수 있는 다양한 응용 모델 연구 

  7. [최근 우리 연구실의 관심 연구주제]
  8. • 통계모형기반 머신러닝을 위한 다변량 분포모형 개발
  9.  통계적 모형에 기반한 지도형·비지도형 기계학습 (Supervised, Unsupdervised Machine Learning) 방법론의 궁극적인 목적은 Output variable y 와 Input variable (x1, …, xk)의 관계를 설명하기 위하여 (x1, …, xk)가 주어졌을 때 y의 조건부 분포인 p(y|x1, …, xk)를 실제 조건부 분포에 가장 근사하도록 추정하는 것이라 할 수 있다. 이러한 방법론을 구현하기 위해서 전통적인 통계적 접근 방법에서는  y가 주어졌을 때  (x1, …, xk)의 조건부 결합분포 f(x1, …, xk|y)를 실제와 가깝게 모델링하고 이를 y의 분포와 결합하여 최종적으로 y의 조건부 분포인 p(y|x1, …, xk)를 산출하는 방식을 따른다.  따라서 조건부 결합분포 f(x1, …, xk|y)를 실제와 가깝게 잘 모델링 하는 것이 구축된 모형의 예측력을 높이는데 있어서 가장 핵심적인 요소라 할 수 있다. 본 연구실에서는 다변량 정규분포를 대체할 수 있는 다양한 조건부 결합분포 f(x1, …, xk|y)를 개발하는 연구를 수행한다.

  11. • 머신러닝의 강화학습 (Reinforcement Learning)을 위한 다변량 확률과정 모형 개발 
  12.  머신러닝의 강화학습 모형에서는 시간의 흐름에 따라 다양한 형태의 사건들이 상호 발생가능성을 높이거나 낮추면서 발생하고 (Dynamic Environment) 또한 이들과 에이전트(Agent) 사이에 상호작용(Interaction)이 존재한다. 이러한 복잡한 상호 의존적인 사건발생과정을 모델링하기 위하여 가장 많이 사용되는 확률과정이 Hawkes Process 이다. 우리 연구실에서는 이러한 복잡한 현상을 모델링 하기 위해서 Hawkes Process 를 대체할 수 있는 새로운 다변량 확률과정 모형을 개발하고 이를 강화학습 모형에 적용하여 강화학습 모델을 구축하는 연구를 수행한다.